GLM-4.6Vとは

GLM-4.6Vは、GLMが提供する最新のオープンソースマルチモーダルモデルシリーズであり、視覚認識と実行可能なアクションを橋渡しするように設計されています。クラウドおよび高性能クラスター向けのGLM-4.6V（106Bパラメータ）と、ローカル展開および低レイテンシーアプリケーション向けのGLM-4.6V-Flash（9Bパラメータ）の2つのバージョンがあります。128kトークンのコンテキストウィンドウにより、このモデルは1回の処理で約150ページのドキュメント、200枚のスライド、または1時間の動画を処理できます。その際立った革新性はネイティブFunction Callingであり、中間のテキスト変換を必要とせずに、視覚入力から直接ツールを使用することを可能にします。

対象ユーザー

• マルチモーダルエージェントを構築する開発者 – モデルが画像を認識し、オンラインデータを取得し、Web検索やコード生成などのアクションを実行するワークフローを作成する方。
• 視覚理解の研究者 – MMBench、MathVista、OCRBenchなどのベンチマークに取り組むチームで、マルチモーダル推論や長文脈タスクに最先端のオープンソースモデルを必要とする方。
• フロントエンドおよびUIエンジニア – ビジュアルモックアップを直接構造化コードに変換するためにGLM-4.6Vを使用して、「デザインからコード」のサイクルを短縮したいと考えている専門家。

主な機能

マルチモーダル入力のためのネイティブFunction Calling

GLM-4.6Vは、ツール呼び出しを視覚パイプラインに直接統合し、個別のテキストベースの変換を不要にします。これにより、モデルは画像を認識し、検索APIを呼び出し、推論された回答を返すという一連の処理を、すべてエンドツーエンドのフローで実行できます。この機能は、大規模な合成エージェントデータを使用してトレーニングされ、Model Context Protocol（MCP）を介して拡張されています。

長文脈トレーニングによる128Kコンテキストウィンドウ

このモデルは、トレーニングコンテキストを128kトークンに拡張し、高情報密度の入力全体にわたって効果的なクロスモーダル依存関係モデリングを可能にします。大規模な長文脈画像テキストデータに対する体系的な継続的事前トレーニングにより、モデルは数百ページまたは長い動画にわたって一貫性を維持します。

数十億規模の世界知識データセット

事前トレーニング中、GLM-4.6Vは百科事典的な知識をカバーする数十億規模のマルチモーダルデータセットを使用します。この多層的な概念システムは、基本的な視覚認識を改善し、特に複雑またはニッチなトピックにおいて、クロスモーダルな質問応答タスクの精度を向上させます。

自己修正のための視覚的フィードバックループ

UI2Code^Nアプローチに着想を得て、このモデルは視覚的なレンダリング結果を使用して、自身のコードやアクションを自己修正できます。この「視覚的フィードバックループ」により、GLM-4.6Vは出力を反復的に洗練することができ、実際のビジネスシナリオにおける自己改善型マルチモーダルエージェントの可能性を示しています。

際立っている点

「GLM-4.6Vは、認識から理解、実行へのループを閉じ、リッチテキストコンテンツ作成やビジュアルWeb検索などの複雑なタスクを、単一のエンドツーエンドパスで可能にします。」

視覚入力とFunction Callingのこのネイティブ統合は、オープンソースのマルチモーダルモデルとしては初めてです。従来のツール使用では、画像や動画を扱う際に複数のテキストベースの変換が必要であり、情報損失のリスクがありました。GLM-4.6Vはこれを完全に回避し、モデルがスライドを認識し、関連データをオンラインで取得し、構造化レポートを生成することを、すべて中間ステップなしで可能にします。その結果、複雑なツールチェーンで計画、実行、自己修正が可能なマルチモーダルエージェントのための統一された技術基盤が実現します。

こんな方におすすめ

視覚検索、ドキュメント分析、フロントエンドコード生成など、単一のワークフローで認識、推論、実行できるオープンソースのマルチモーダルモデルが必要な方に最適です。128kのコンテキストウィンドウとネイティブのツール呼び出しにより、長い動画や複雑なレポートの処理など、高情報密度のタスクに特に価値があります。MCP統合を備えたエージェントシステムを探求している開発者にとって、組み込みのFunction Callingと視覚的フィードバックループは、自己改善型エージェントを構築するための実用的な基盤となります。